- Harris角点检测基本原理
- 角点检测的数学公式解读
- OpenCV角点检测应用。
- 之前说过边缘检测，今天讲一讲Harris角点检测，我们可以定义一个图像核，通过平移之后变化的程度来定义是否为角点（边缘）。通常平面图像为二维的，定义两个方向，一个是x方向，一个是y方向，如果在x方向平移有明显变化，y方向上没有显著变化，可以大致确定是边缘；如果y方向上平移之后有显著变化，则可以大致确定为角点。
- 角点原理图像及公式
- 对于图像I(x,y)，当在点(x,y)处平移(
Δ
x
Delta x
Δx,
Δ
y
Delta y
Δy)后的自相似性。
- w(x,y)是以点(x,y)为中心的窗口，既可以表示为常数，也可以表示为加权高斯函数。
- 基于泰勒展式，对于图像I(x,y)，当在点(x,y)处平移(
Δ
x
Delta x
Δx,
Δ
y
Delta y
Δy)后进行一阶近似。
其中lx,ly为l(x,y)的偏导数（梯度）。 - 近似可得：
c表示为图像灰度。 - 其中M矩阵表示：
M矩阵可以转换为对角矩阵，用于计算特征值。 - 化简得：
观察我们可以发现，这个公式类似于椭圆方程，这个椭圆方程式非标准的椭圆方程。
- 边界：一个特征值大，一个特征值小,即 λ 1 lambda 1 λ1 >> λ 2 lambda 2 λ2或 λ 2 lambda 2 λ2 >> λ 1 lambda 1 λ1，自相关函数在某一方向上大，在其他方向上小。
- 平面：两个特征值 λ 1 lambda 1 λ1 ， λ 2 lambda 2 λ2都很小，且近似相等，自相关函数在各个方向上都小。
- 角点：两个特征值
λ
1
lambda 1
λ1 ，
λ
2
lambda 2
λ2都很大，且近似相等，自相关函数在各个方向上都大。
- 角点响应R值：
一般来说 α alpha α值在0.04-0.06之间。
OpenCV角点检测应用。-
进行角点检测的时候通常我们会使用cv2.cornerHarris()函数。函数里需要指定四个参数：
- img： 数据类型为 float32 的入图像。如果不是float形式需要进行转换：np.float32()。
- blockSize： 角点检测中指定区域的大小（gaussian filter）。
- ksize： Sobel求导中使用的窗口大小（一般来说设置为3）。
- k： 取值参数为 [0,04,0.06]
-
代码示例：
import cv2
import numpy as np
img = cv2.imread('xiaohuolong.jpg')
print ('img.shape:',img.shape)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# gray = np.float32(gray)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
print ('dst.shape:',dst.shape)
img.shape: (727, 658, 3)
dst.shape: (727, 658)
- 效果展示
img[dst>0.01*dst.max()]=[0,255,0]
cv2.imshow('dst',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
- 如果角点过多可以将参数值设置大一点，如果角点过少可以将参数值设置小一点（0.01*dst.max()）。
